框架瞄準精準免疫腫瘤學的資料瓶頸
Cleveland Clinic 與 IBM Research 的研究人員共同開發了一套量子機器學習框架，用於預測哪些腫瘤基因突變會產生免疫原性新抗原（neoantigens）——即能夠觸發治療性 T 細胞反應的異常細胞表面蛋白。這項合作研究以「Quantum convolutional HLA immunogenic peptide prediction (Q-CHIPP): Next-generation neoantigen prediction with quantum neural network」為題，發表於《Science Advances》，結合量子卷積神經網路（QCNN）與生物醫學領域知識，以解決精準免疫腫瘤學中長期受限於資料稀缺與過擬合的古典機器學習困境。由於單一腫瘤可能表現出數千個突變候選胜肽，其中僅有一小部分能與主要組織相容性複合體（MHC）結合並被 T 細胞受體辨識，因此預測免疫原性新抗原成為個人化癌症疫苗與標靶免疫療法的核心瓶頸。
Q-CHIPP 架構將結合與辨識任務分流
Q-CHIPP 框架整合了兩個獨立的 QCNN 模型，針對 HLA-A*02:01 限制性 9-mer 胜肽。第一個模型利用胺基酸位置 2、4、5 和 9 的錨定位殘基來預測胜肽-MHC 結合；第二個模型則利用位置 3、5、6 和 7 的接觸位殘基來預測 T 細胞受體辨識。為避免結合特性幹擾免疫原性預測，TCR 模型僅以實驗確認的 MHC 結合胜肽進行訓練，且唯有當兩個獨立的 QCNN 通道皆回傳陽性預測時，該胜肽才會被分類為免疫原性新抗原。此架構經過精心設計，即使訓練樣本少至 150 個，仍能萃取出有意義的生物模式，直接解決先前方法在資料效率上的不足。
於容錯前量子硬體上執行
為了在前容錯量子硬體上執行這些演算法，團隊採用了經驗性的雜訊抑制策略，包括 Pauli 旋繞、動態解耦，以及每次電路執行最多 20,000 次的受控取樣次數。他們使用熱啟動遷移協定，將模擬器優化後的權重轉移到實體量子處理器上進行微調。研究人員將此方法擴展至在部署於 Cleveland Clinic 的 IBM Quantum System One 上，以 46 個量子位元進行全長 9-mer 胜肽模擬。在相同的參數限制與低樣本數條件下，經誤差抑制的 QCNN 在分類準確率上較參數匹配的古典卷積神經網路提升了 6%。
肺癌世代的臨床驗證
團隊使用 111 位接受免疫查核點抑制劑治療的 HLA-A*02:01 陽性肺癌患者世代，對 Q-CHIPP 的臨床相關性進行驗證，透過體細胞突變周圍的滑動視窗處理 209,889 個候選胜肽。依據 Q-CHIPP 預測的免疫原性新生抗原負擔進行患者分層，結果顯示整體存活率具有統計顯著的差異（P = 0.0085），優於標準 NetMHCpan 結合排名閾值（P = 0.0275）。該框架識別出 25,542 個被古典基準模型遺漏的獨特候選免疫原性胜肽，並顯示出對位於第 7 位的關鍵 TCR 交互殘基具有強烈選擇性。這項開放取用的研究發表於《Science Advances》，其他研究更新發布於 Cleveland Clinic Lerner Research Institute 入口網站。
分享這篇文章
